Sử dụng ảnh landsat 8 và google earth engine để phát hiện sớm mất rừng, suy thoái rừng khu vực Tây Nguyên: trường hợp ở tỉnh Đắk Nông

Tài liệu Sử dụng ảnh landsat 8 và google earth engine để phát hiện sớm mất rừng, suy thoái rừng khu vực Tây Nguyên: trường hợp ở tỉnh Đắk Nông: Quản lý Tài nguyên rừng & Môi trường 106 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 5 - 2019 SỬ DỤNG ẢNH LANDSAT 8 VÀ GOOGLE EARTH ENGINE ĐỂ PHÁT HIỆN SỚM MẤT RỪNG, SUY THOÁI RỪNG KHU VỰC TÂY NGUYÊN: TRƯỜNG HỢP Ở TỈNH ĐẮK NÔNG Phùng Văn Khoa1, Nguyễn Quốc Hiệu2, Nguyễn Quang Huy1 1Trường Đại học Lâm nghiệp 2Tổng Cục Lâm nghiệp TÓM TẮT Đối với ngành Lâm nghiệp ở nước ta, ảnh viễn thám đã được nghiên cứu và ứng dụng có hiệu quả trong việc đánh giá những thay đổi tài nguyên rừng ở những giai đoạn khác nhau nhưng việc ứng dụng ảnh viễn thám trong phát hiện sớm mất rừng, suy thoái rừng còn ít được nghiên cứu. Trong bài báo này, chúng tôi xây dựng phương pháp để phát hiện sớm mất rừng và suy thoái rừng từ ảnh Landsat 8 và Google Earth Engine thông qua chỉ số KB% (chỉ số về sự thay đổi giá trị tương đối theo thời gian của chỉ số NDVI). Kết quả từ nghiên cứu đã xác lập được ngưỡng xác định những khu rừng ổn định (không thay đổi), rừng bị suy thoái, rừng bị mất có g...

pdf11 trang | Chia sẻ: quangot475 | Lượt xem: 506 | Lượt tải: 0download
Bạn đang xem nội dung tài liệu Sử dụng ảnh landsat 8 và google earth engine để phát hiện sớm mất rừng, suy thoái rừng khu vực Tây Nguyên: trường hợp ở tỉnh Đắk Nông, để tải tài liệu về máy bạn click vào nút DOWNLOAD ở trên
Quản lý Tài nguyên rừng & Môi trường 106 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 5 - 2019 SỬ DỤNG ẢNH LANDSAT 8 VÀ GOOGLE EARTH ENGINE ĐỂ PHÁT HIỆN SỚM MẤT RỪNG, SUY THOÁI RỪNG KHU VỰC TÂY NGUYÊN: TRƯỜNG HỢP Ở TỈNH ĐẮK NÔNG Phùng Văn Khoa1, Nguyễn Quốc Hiệu2, Nguyễn Quang Huy1 1Trường Đại học Lâm nghiệp 2Tổng Cục Lâm nghiệp TÓM TẮT Đối với ngành Lâm nghiệp ở nước ta, ảnh viễn thám đã được nghiên cứu và ứng dụng có hiệu quả trong việc đánh giá những thay đổi tài nguyên rừng ở những giai đoạn khác nhau nhưng việc ứng dụng ảnh viễn thám trong phát hiện sớm mất rừng, suy thoái rừng còn ít được nghiên cứu. Trong bài báo này, chúng tôi xây dựng phương pháp để phát hiện sớm mất rừng và suy thoái rừng từ ảnh Landsat 8 và Google Earth Engine thông qua chỉ số KB% (chỉ số về sự thay đổi giá trị tương đối theo thời gian của chỉ số NDVI). Kết quả từ nghiên cứu đã xác lập được ngưỡng xác định những khu rừng ổn định (không thay đổi), rừng bị suy thoái, rừng bị mất có giá trị KB lần lượt là: 4,5 - 20,1%; 20,1 - 52,5% và 52,5 - 70,0%. Phương pháp phát hiện sớm mất rừng, suy thoái rừng đã được đánh giá cho khu vực tỉnh Đắk Nông (năm 2018) với tỷ lệ phát hiện vùng mất rừng là 80,0% và độ chính xác về phát hiện diện tích rừng bị mất là 85,3%; tỷ lệ phát hiện vùng suy thoái rừng là 70,0% và độ chính xác về phát hiện diện tích rừng bị suy thoái là 72,0%. Kết quả của nghiên cứu này có ý nghĩa thực tiễn trong việc phát hiện sớm mất rừng và suy thoái rừng nhất là vào các tháng thuộc mùa khô (tháng 1, 2, 3 và 4) ở tỉnh Đắk Nông. Đồng thời, có thể ứng dụng phương pháp này để phát hiện sớm mất rừng, suy thoái rừng ở khu vực Tây Nguyên và các khu vực khác có điều kiện tương tự trong cả nước. Từ khóa: Google Earth Engine, Landsat 8, mất rừng, suy thoái rừng, Tây Nguyên. 1. ĐẶT VẤN ĐỀ Theo Tổ chức Lương thực và Nông nghiệp Liên Hiệp Quốc (FAO, 2015) định nghĩa: mất rừng là việc chuyển đổi đất có rừng sang đất sử dụng vào mục đích khác hoặc giảm độ che phủ của rừng dưới ngưỡng 10% trong một thời gian dài. Suy thoái rừng là làm giảm khả năng của rừng trong việc cung cấp gỗ và dịch vụ từ rừng. Theo Luật Lâm nghiệp số 16/2017/QH14 thì suy thoái rừng là sự suy giảm về hệ sinh thái rừng, làm giảm chức năng của rừng. Theo số liệu công bố của Tổng cục Lâm nghiệp, trong giai đoạn 2014 - 2018, diện tích rừng tự nhiên vùng Tây Nguyên bị mất là 46.828 ha (chiếm 2,08%), trong đó Đắk Nông là tỉnh có rừng tự nhiên bị mất nhiều nhất với diện tích là 14.705 ha. Đã có khá nhiều nghiên cứu trên thế giới ứng dụng ảnh viễn thám trong việc phân tích những thay đổi tài nguyên rừng, trong đó có thể kể đến một số nghiên cứu điển hình của một số tác giả như: N I Fawzi et al., 2018; An Vo Quang et al., 2019; Mathieu Rahm et al., 2013; Nanki Sidhu et al., 2018; Nicola Puletti et al., 2019... Ở Việt Nam ảnh viễn thám cũng được nghiên cứu ứng dụng mạnh mẽ trong việc theo dõi diến biến tài nguyên rừng (Trần Quang Bảo và cộng sự, 2017; Nguyễn Hải Hòa và cộng sự, 2018; Nguyễn Đăng Vỹ, 2018). Mặc dù ảnh viễn thám kết hợp với hệ thống thông tin địa lý (GIS) đã được ứng dụng rộng rãi và có hiệu quả trong việc phân tích diễn biến tài nguyên rừng trên thế giới cũng như tại Việt Nam nhưng việc ứng dụng ảnh viễn thám trong việc phát hiện sớm mất rừng và suy thoái rừng còn ít được nghiên cứu và ứng dụng vào thực tế. Phát hiện sớm mất rừng, suy thoái rừng được hiểu là khả năng phát hiện sớm nhất kể từ khi xảy ra sự kiện mất rừng hoặc suy thoái rừng. Điều này phụ thuộc vào loại ảnh sử dụng, chu kỳ bay chụp của ảnh và độ che phủ của mây, bóng mây (đối với ảnh quang học). Đối với ảnh Landat, chu kỳ bay chụp là 16 ngày, do đó nếu ảnh không có mây, bóng mây thì dùng ảnh Landsat sẽ có thể phát hiện được sớm mất rừng, suy thoái rừng sau 16 ngày. Phát hiện sớm mất rừng, suy thoái rừng dựa vào chỉ số NDVI được xác định là khi có sự thay đổi đột ngột giữa hai mốc thời gian của chỉ số NDVI. Quản lý Tài nguyên rừng & Môi trường TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 5 - 2019 107 Trong nghiên cứu này, chúng tôi sử dụng ảnh vệ tinh Landsat 8 SR (độ phân giải không gian 30 m), Google Earth Engine (GEE), ArcGIS, Planet.com kết hợp với dữ liệu đã được kiểm chứng thực tế về mất rừng, suy thoái rừng trên địa bàn tỉnh Đắk Nông nhằm các mục tiêu: (1) đánh giá khả năng sử dụng ảnh Landsat 8 khu vực nghiên cứu trong giám sát tài nguyên rừng; (2) xác định ngưỡng thay đổi về chỉ số thực vật để phát hiện khu rừng không thay đổi, mất rừng và suy thoái rừng và (3) đánh giá độ chính xác của phương pháp phát hiện sớm mất rừng, suy thoái rừng. Các kết quả của nghiên cứu này có thể được ứng dụng vào thực tiễn nhằm hỗ trợ cho lực lượng Kiểm lâm, chủ rừng và các nhà quản lý rừng trong công tác phát hiện sớm những trường hợp xâm hại rừng, từ đó đưa ra các giải pháp kịp thời và thích hợp cho vùng Tây Nguyên cũng như các tỉnh khác có điều kiện tài nguyên rừng tương tự. 2. PHƯƠNG PHÁP NGHIÊN CỨU 2.1. Phạm vi và mẫu nghiên cứu Mất rừng và suy thoái rừng là hiện tượng khá phổ biến trên thế giới và ở Việt Nam. Khu vực Tây Nguyên đã thể hiện rõ điều này và Đắk Nông là 1 trong 5 tỉnh có diện tích rừng bị mất, suy thoái nhiều nhất vùng Tây Nguyên trong 5 năm gần đây. Hơn nữa tài nguyên rừng tỉnh Đắk Nông có các trạng thái rừng phổ biến cho vùng Tây Nguyên. Vì vậy, nhóm tác giả đã chọn tỉnh Đắk Nông để thực hiện nghiên cứu. Nghiên cứu được thực hiện trên 5 kiểu rừng chính của tỉnh Đắk Nông, bao gồm: rừng gỗ tự nhiên lá rộng thường xanh, rừng gỗ cây lá kim, rừng tre nứa, rừng trồng Keo, rừng hỗn giao gỗ - tre nứa. Các kiểu rừng khác (rừng rụng lá, rừng nửa rụng lá, rừng trồng Cao su) không thuộc phạm vi của nghiên cứu này. Chúng tôi sử dụng bản đồ nền kết quả kiểm kê rừng tỉnh Đắk Nông năm 2015 (Nguồn: Chi cục Kiểm lâm tỉnh Đắk Nông) để xác định 5 trạng thái rừng được lựa chọn nghiên cứu. Để thực hiện nghiên cứu này, nhóm tác giả đã lựa chọn và thu thập 200 vùng mẫu (gọi tắt là mẫu), trong đó: 100 mẫu để xác định ngưỡng rừng không thay đổi, 50 mẫu để xác định ngưỡng mất rừng, 20 mẫu để đánh giá độ chính xác phát hiện sớm mất rừng và 30 mẫu để đánh giá độ chính xác phát hiện sớm suy thoái rừng (Hình 1). Hình 1. Khu vực và vị trí các vùng mẫu nghiên cứu Hình 2. Quy trình xác định ngưỡng phát hiện mất rừng và suy thoái rừng 2.2. Dữ liệu ảnh vệ tinh Nghiên cứu sử dụng dữ liệu ảnh Landsat 8 SR trong GEE gồm 2 cảnh ảnh (124051 và 124052) khu vực tỉnh Đắk Nông với thời gian chụp từ 01/01/2015 đến 31/12/2018 và xác định tỷ lệ mây trên ảnh nhằm đánh giá khả năng sử dụng ảnh Landsat 8 trong giám sát diễn biến tài nguyên rừng khu vực nghiên cứu. Đồng thời, nghiên cứu sử dụng 6 ảnh Landsat 8 SR (Surface Reflectance) trong khoảng thời gian từ tháng 1 đến tháng 4 các năm 2016, 2017, 2018 để xác định khu rừng không thay đổi, mất rừng, suy thoái rừng và đánh giá độ chính xác của phương pháp. Quản lý Tài nguyên rừng & Môi trường 108 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 5 - 2019 Bảng 1. Dữ liệu ảnh Landsat 8 SR trong Google Earth Engine sử dụng trong nghiên cứu TT Mã ảnh Thời gian Tỷ lệ mây (%) Độ phân giải không gian các band sử dụng (m) 1 LC08_124052_20160104 04/01/2016 33,89 30 2 LC08_124052_20160308 08/03/2016 2,11 30 3 LC08_124052_20170106 06/01/2017 13,69 30 4 LC08_124052_20170327 27/03/2017 38,05 30 5 LC08_124052_20180109 09/01/2018 23,70 30 6 LC08_124052_20180415 15/04/2018 24,32 30 Nguồn: Google Earth Engine 2.3. Phần mềm, Website sử dụng Trong nghiên cứu này, chúng tôi đã sử dụng ArcGIS Desktop, Google Earth Engine, Google Earth Pro và Planet.com để phân tích ảnh vệ tinh và phát hiện khu rừng không thay đổi, mất rừng, suy thoái rừng. Phần mềm ArcGIS được sử dụng để phân tích chỉ số KB và xác định những khu vực rừng có sự thay đổi; Google Earth Engine được sử dụng để chọn ảnh theo thời gian cho khu vực nghiên cứu, lọc mây/bóng mây, vẽ biểu đồ thay đổi chỉ số NDVI theo thời gian; Google Earth Pro và Planet.com được sử dụng để hỗ trợ kiểm chứng nhanh khu vực có sự thay đổi rừng trong quá khứ. 2.4. Xác định khả năng sử dụng ảnh Landsat 8 trong giám sát diễn biến tài nguyên rừng Chúng tôi tiến hành lấy thông tin về tỷ lệ mây của tất cả ảnh vệ tinh Landsat 8 khu vực tỉnh Đắk Nông với 2 cảnh ảnh 124051 và 124052 trong thời gian 4 năm bao gồm: 2015, 2016, 2017, 2018. Sau đó, tỷ lệ mây của các ảnh được tính trung bình cộng theo từng tháng trong thời gian liên tục 4 năm. Kết quả về tỷ lệ mây của các ảnh Landsat 8 theo 12 tháng trong năm được sử dụng để xem xét khả năng sử dụng ảnh Landsat 8 cho phát hiện sớm mất rừng và suy thoái rừng. 2.5. Chỉ số viễn thám và chỉ số đánh giá sự thay đổi rừng Chỉ số viễn thám là khái niệm chung chỉ các chỉ số sử dụng trong viễn thám như: NDVI, NBR, MSAVI, EVI... Trong nghiên cứu này, các khu vực rừng bị mất, bị suy thoái được xác định dựa vào sự thay đổi giữa hai mốc thời gian của Chỉ số Thực vật khác biệt chuẩn hóa (Normalized Difference Vegetation Index - NDVI) và được chúng tôi ký hiệu là KB. Công thức tính KB như sau: KB = 100 * (T1-T2)/T1 (1) Trong đó: T1, T2 là giá trị NDVI tại thời điểm trước và sau xảy ra mất rừng, suy thoái rừng; Chỉ số thực vật NDVI được xác định theo công thức: NDVI = ( ) ( ) (2) Trong đó: Đối với ảnh Landsat 8 SR, BandNIR (kênh cận hồng ngoại) là Band 5 và BandRED (kênh đỏ) là Band 4. Ảnh chỉ số thực vật tại 2 thời điểm (T1, T2) là các ảnh có sẵn trong cơ sở dữ liệu của GEE. Các cảnh ảnh Landsat 8 đã được chuyển giá trị từ (Digital Number - DN) về giá trị phản xạ phổ bề mặt (Surface Reflectance - SR). Để giảm ảnh hưởng của các yếu tố nhiễu đến kết quả phát hiện vùng mất rừng, suy thoái rừng, chung tôi đã giới hạn phạm vi của ảnh tại 2 thời điểm (T1 và T2) như sau: (1) là diện tích có rừng với 5 kiểu rừng đã chọn theo bản đồ kiểm kê rừng năm 2015 tỉnh Đắk Nông; (2) những khu vực ảnh có mây được loại bỏ bằng các lệnh lập trình trong GEE; (3) dựa theo kết quả nghiên cứu của Yang, Y. và các cộng sự Quản lý Tài nguyên rừng & Môi trường TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 5 - 2019 109 (2019), thì khu vực có chỉ số NDVI nhỏ hơn hoặc bằng 0,2 là khu vực không có thảm thực vật che phủ, vì vậy những khu vực này cũng được loại bỏ bằng các lệnh lập trình trong GEE. Các vùng được phát hiện là mất rừng, suy thoái rừng từ kết quả nghiên cứu phải có diện tích bằng hoặc lớn hơn 0,5 ha mới được lựa chọn. Với độ phân giải không gian của ảnh Landsat (30 m), chúng tôi đã thử nghiệm và thấy rằng với diện tích rừng bị mất, rừng bị suy thoái từ 0,5 ha trở lên thì việc phát hiện được bằng ảnh Landsat 8 với việc sử dụng chỉ số NDVI có độ chính xác cao hơn so với các diện tích bị mất, suy thoái dưới 0,5 ha. 2.6. Xác định vùng rừng không thay đổi Việc xác định ngưỡng chỉ số về khu rừng không thay đổi có ý nghĩa rất quan trọng cho quá trình phát hiện sự thay đổi rừng (mất rừng, suy thoái rừng). Chúng tôi đã rút ngẫu nhiên 20 vùng mẫu cho mỗi kiểu rừng với tổng số mẫu là 100 vùng. Nhóm tác giả nghiên cứu sự thay đổi giá trị NDVI của 100 mẫu trong khoảng thời gian 4 tháng mùa khô (từ ngày 01 tháng 01 đến ngày 15 tháng 4) của các năm 2016, 2017, 2018. Chúng tôi sử dụng GEE để xác định giá trị NDVI lớn nhất (NDVIMax) và giá trị NDVI nhỏ nhất (NDVIMin) cho từng vùng. Sau đó, chúng tôi tính chỉ số KB theo công thức (1) với T1 là giá trị NDVIMax và T2 là giá trị NDVIMin. Tiếp theo, chúng tôi tính giá trị KB trung bình của các kiểu rừng theo từng năm. Và ngưỡng phát hiện rừng không thay đổi (KBkhongthaydoi) được chúng tôi xác định là có giá trị nằm trong khoảng (a, b), trong đó: a là giá trị KB nhỏ nhất (Min) và b là giá trị KB lớn nhất (Max) của 5 kiểu rừng trong 3 năm nghiên cứu. 2.7. Xác định vùng mất rừng Chúng tôi đã lựa chọn 50 mẫu là các lô rừng bị mất trong khoảng thời gian tháng 1, 2 và 3 năm 2016 ở tỉnh Đắk Nông để thực hiện nghiên cứu này. Quy trình xác định ngưỡng KB để phát hiện mất rừng được nghiên cứu thực hiện như ở Hình 02 gồm 03 bước như sau: Bước 1: Tính giá trị KB năm 2016 (ký hiệu là KB2016). Chỉ số KB được tính theo công thức (1) bằng công cụ Spatial Analyst Tools trong phần mềm ArcGIS. Bước 2. Chiết xuất giá trị KB2016 với tham số giá trị trung bình (Mean) cho 50 mẫu nghiên cứu, sử dụng công cụ Zonal Statistic trong phần mềm ArcGIS để thực hiện. Bước 3. Xác định ngưỡng phát hiện mất rừng. Từ kết quả ở bước 2, với bảng số liệu về giá trị Mean của 50 vùng mẫu nghiên cứu, ngưỡng phát hiện mất rừng (KBmatrung) được xác định là có giá trị nằm trong khoảng (c, d), trong đó: c là giá trị KB nhỏ nhất trong 50 mẫu và d là giá trị KB lớn nhất trong 50 mẫu nghiên cứu. 2.8. Xác định vùng suy thoái rừng Nghiên cứu xác định diện tích rừng bị suy thoái có ngưỡng KBsuythoairung lớn hơn ngưỡng KBkhongthaydoi (rừng không thay đổi) và nhỏ hơn ngưỡng KBmatrung (rừng bị mất). 2.9. Đánh giá độ chính xác của phương pháp xác định mất rừng, suy thoái rừng Chúng tôi đã lựa chọn 20 mẫu rừng bị mất và 30 mẫu rừng bị suy thoái trong khoảng thời gian từ tháng 1 đến tháng 4 năm 2018 tại tỉnh Đắk Nông và đối chiếu với kết quả xác định các diện tích mất rừng, suy thoái rừng từ ảnh vệ tinh Landsat 8 SR để đưa ra kết quả đánh giá độ chính xác của phương pháp phát hiện sớm mất rừng, suy thoái rừng tại khu vực nghiên cứu. 3. KẾT QUẢ VÀ THẢO LUẬN 3.1. Hiện trạng ảnh Landsat 8 khu vực nghiên cứu Kết quả đánh giá hiện trạng ảnh Landsat 8 tại khu vực nghiên cứu có ý nghĩa trong việc xác định khả năng thực tiễn sử dụng ảnh Landsat 8 để phát hiện sớm mất rừng, suy thoái rừng do ảnh Landsat 8 thường có nhiều mây đặc biệt vào các tháng mùa mưa ở vùng Tây Nguyên nói chung và khu vực nghiên cứu nói riêng. Quản lý Tài nguyên rừng & Môi trường 110 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 5 - 2019 Bảng 2. Tỷ lệ (%) mây trung bình tháng trong 4 năm (2015 - 2018) ảnh Landsat 8 khu vực tỉnh Đắk Nông TT Tháng Tổng số ảnh Landsat 8 Tỷ lệ mây trung bình (%) Cảnh 124051 Cảnh 124052 Cảnh 124051 Cảnh 124052 1 1 8 8 54,90 28,91 2 2 8 8 33,62 16,05 3 3 7 8 25,32 16,07 4 4 8 7 18,86 16,51 5 5 8 8 41,82 48,30 6 6 7 7 60,28 62,87 7 7 8 8 69,63 69,79 8 8 8 8 57,80 57,53 9 9 7 7 46,41 53,81 10 10 7 7 53,82 47,45 11 11 8 8 67,28 48,79 12 12 8 8 70,88 58,70 Tổng cộng 92 92 Tỷ lệ mây trung bình (%) theo từng tháng trong thời gian 4 năm liên tục ở bảng 2 đã cho thấy rằng: ảnh Landsat 8 khu vực nghiên cứu có tỷ lệ mây từ 16,05% đến 70,88%. Đối với cảnh 124051, có 10/12 tháng ảnh có tỷ lệ mây trên 30% trong khi đó ảnh có tỷ lệ mây trên 30% là 8/12 tháng ở cảnh 124052. Ảnh có tỷ lệ mây dưới 30% được xác định là phù hợp với việc xác định sớm mất rừng, suy thoái rừng. Như vậy, tại khu vực nghiên cứu ảnh Landsat 8 có khả năng đáp ứng được việc phát hiện sớm mất rừng, suy thoái rừng trong khoảng thời gian từ tháng 1 đến tháng 4 hàng năm. 3.2. Xác định ngưỡng phát hiện rừng không thay đổi, mất rừng và suy thoái rừng bằng chỉ số KB% 3.2.1. Xác định ngưỡng phát hiện rừng không thay đổi Để xác định ngưỡng phát hiện rừng không thay đổi, nghiên cứu đã sử dụng dữ liệu 100 vùng mẫu (thuộc 5 kiểu rừng) và GEE để phân tích sự thay đổi chỉ số thực vật NDVI với các ảnh Landsat 8 SR trong khoảng thời gian mùa khô (4 tháng) từ ngày 01 tháng 01 đến ngày 15 tháng 04 của các năm 2016, 2017, 2018. Hình 3. Phân tích thay đổi giá trị NDVI trong GEE đối với kiểu rừng tự nhiên lá rộng thường xanh năm 2018 Tỷ lệ thay đổi giá trị NDVI (KB%) đã được tính toán cho các kiểu rừng trong 3 năm được trình bày ở bảng 3. Quản lý Tài nguyên rừng & Môi trường TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 5 - 2019 111 Bảng 3. Giá trị KB% trung bình mẫu theo các kiểu rừng các năm 2016, 2017 và 2018 TT Trạng thái rừng Số lượng mẫu Giá trị trung bình của chỉ số KB% Năm 2016 Năm 2017 Năm 2018 1 Rừng tự nhiên lá rộng thường xanh 20 6,5 8,3 7,7 2 Rừng tự nhiên lá kim 20 11,2 6,1 4,5 3 Rừng tự nhiên hỗn giao gỗ - tre nứa 20 12,4 10,0 6,8 4 Rừng lồ ô, tre nứa 20 11,3 12,6 10,6 5 Rừng trồng (loài cây Keo) 20 20,1 18,6 11,7 Giá trị nhỏ nhất (Min) 4,5 Giá trị lớn nhất (Max) 20,1 Kết quả tổng hợp số liệu ở bảng 3 đã cho thấy, KB có giá trị nhỏ nhất bằng 4,5% và có giá trị lớn nhất bằng 20,1%. Từ đó, chúng tôi đã xác định ngưỡng để phát hiện rừng không thay đổi ở khu vực nghiên cứu có KB từ 4,5 đến 20,1%. 3.2.2. Xác định ngưỡng phát hiện mất rừng và suy thoái rừng Dữ liệu 50 vùng mẫu mất rừng tại khu vực nghiên cứu đã được chúng tôi kiểm chứng là các vùng rừng đã bị mất trong thời gian từ 01/01/2016 đến 31/03/2016. (a) Ảnh NDVI thời điểm trước mất rừng (04/01/2016) (b) Ảnh NDVI thời điểm sau mất rừng (08/03/2016) (c) Ảnh trên Planet trước mất rừng (04/01/2016) (d) Ảnh trên Planet sau mất rừng (06/03/2016) Hình 4. Phân tích giá trị NDVI trước và sau mất rừng trong GEE (a, b) và hình ảnh mất rừng trên Planet (c, d) thuộc lô 1 khoảnh 8 tiểu khu 1737 Để xác định ngưỡng phát hiện mất rừng, nghiên cứu đã tính giá trị KB theo công thức (1) và trích xuất giá trị KB theo 50 mẫu nghiên cứu, kết quả được trình bày trong bảng 4. Quản lý Tài nguyên rừng & Môi trường 112 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 5 - 2019 Bảng 4. Xác định ngưỡng mất rừng với giá trị KB% của 50 vùng mất rừng TT Mã vùng X Y Diện tích (ha) Mean Range Std 1 1001 805325 1342022 1,54 61,9 30,8 8,3 2 1002 821978 1351832 4,72 53,8 14,2 3,0 3 1003 822274 1351987 0,89 52,8 4,8 1,4 4 1004 822420 1351822 1,62 54,7 11,3 2,9 5 1005 813211 1320424 0,89 58,2 8,2 2,8 6 1006 813084 1320551 2,45 60,7 40,8 8,3 7 1007 807732 1322976 0,98 65,4 23,7 7,4 8 1008 807709 1323060 0,76 64,1 39,3 12,2 9 1009 807608 1323047 1,86 64,7 22,0 7,0 10 1010 807739 1323352 0,70 67,9 12,0 4,0 11 1011 816544 1324707 0,62 60,4 4,7 1,6 12 1012 806569 1325917 0,77 54,9 6,7 2,3 13 1013 806119 1325197 0,54 54,0 6,5 2,5 14 1014 813541 1326133 0,87 52,8 7,0 2,3 15 1015 812278 1326532 0,51 57,6 15,2 5,6 16 1016 809029 1327353 0,56 57,4 9,1 3,9 17 1017 807762 1328047 0,59 60,2 12,0 4,3 18 1018 808189 1327792 0,70 54,0 9,2 3,2 19 1019 807795 1328710 0,80 57,4 22,0 7,2 20 1020 808447 1329044 0,88 55,4 11,5 3,7 21 1021 809764 1329889 0,97 54,9 7,7 2,8 22 1022 808593 1329877 1,05 66,8 24,7 7,2 23 1023 808429 1329767 0,78 61,3 10,9 3,4 24 1024 809335 1331203 1,29 62,6 21,7 6,1 25 1025 809372 1331246 2,78 61,6 26,5 6,6 26 1026 826013 1323571 0,72 60,7 13,9 5,6 27 1027 825125 1323967 0,51 57,5 11,5 4,9 28 1028 823973 1326758 0,62 60,6 17,3 6,2 29 1029 820533 1329290 5,33 70,2 20,2 4,9 30 1030 820682 1329500 2,26 63,0 32,2 7,6 31 1031 824284 1330307 1,52 56,2 12,9 3,7 32 1032 824284 1330420 0,64 57,1 6,5 2,1 33 1033 806965 1333236 0,82 60,6 15,9 5,0 34 1034 810963 1334466 0,60 64,8 17,9 7,1 35 1035 810709 1334634 0,76 65,6 13,1 4,3 36 1036 809837 1334726 0,77 60,5 13,9 5,4 37 1037 805503 1336582 0,54 60,5 9,6 3,2 38 1038 805583 1336623 0,92 62,3 20,1 6,1 39 1039 826117 1333732 6,16 63,6 25,7 5,4 40 1040 826287 1333567 0,70 55,6 6,3 1,8 41 1041 764414 1313947 2,02 57,8 12,7 3,9 42 1042 764276 1314007 1,00 55,2 8,7 2,5 43 1043 781378 1339998 0,87 52,6 14,8 4,1 44 1044 781352 1339989 0,57 58,9 15,8 5,1 45 1045 781350 1340579 1,40 53,5 21,5 6,1 46 1046 781193 1340613 1,39 55,1 14,4 4,2 47 1047 781321 1340717 1,17 56,8 21,1 6,2 48 1048 757819 1353473 0,64 58,1 15,6 6,2 49 1049 757817 1353557 0,83 63,5 14,2 4,9 50 1050 794454 1333338 0,90 55,2 10,6 4,0 Giá trị nhỏ nhất (Min): 52,5 4,7 1,4 Giá trị lớn nhất (Max): 70,0 40,8 12,2 Quản lý Tài nguyên rừng & Môi trường TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 5 - 2019 113 Số liệu được tổng hợp ở bảng 4 đã cho thấy, trong tổng số 50 mẫu nghiên cứu, chỉ số KB có giá trị nhỏ nhất là 52,5% và có giá trị lớn nhất là 70,0%. Từ đó, chúng tôi đã xác định ngưỡng để phát hiện mất rừng tại khu vực nghiên cứu có KB từ 52,5 đến 70,0%. Từ kết quả xác định ngưỡng rừng không thay đổi và ngưỡng phát hiện mất rừng tại khu vực nghiên cứu, chúng tôi đã xác định được ngưỡng KB để phát hiện vùng suy thoái rừng là từ 20,1 đến 52,5%. 3.3. Đánh giá độ chính xác của phương pháp phát hiện sớm mất rừng, suy thoái rừng 3.3.1. Độ chính xác phát hiện sớm mất rừng Chúng tôi đã xác định các vùng mất rừng trên ảnh Landsat 8 SR thông qua chỉ số KB với thời điểm T1 (thời điểm rừng chưa bị tác động) là ngày 09 tháng 01 năm 2018 và thời điểm T2 (thời điểm để phát hiện sớm rừng bị mất) là ngày 15 tháng 04 năm 2018. Nhóm tác giả lựa chọn 20 mẫu rừng bị mất trong khoảng thời gian từ 01/01/2018 đến 15/04/2018 để kiểm chứng với kết quả xác định sớm mất rừng từ ảnh Landsat 8 SR. Bảng 5. Đánh giá độ chính xác phương pháp phát hiện sớm mất rừng với dữ liệu 20 mẫu mất rừng ở tỉnh Đắk Nông năm 2018 TT X Y Thời điểm trước khi bị tác động Thời điểm bị tác động Thời điểm phát hiện mất rừng bằng ảnh Diện tích kiểm chứng (ha) Diện tích xác định trên ảnh (ha) Tỷ lệ sai khác về diện tích (%) 1 807001 1333219 09/01/2018 9/1-15/4/2018 15/04/2018 1,41 NA 2 808421 1333528 09/01/2018 9/1-15/4/2018 15/04/2018 0,88 NA 3 808721 1334191 09/01/2018 9/1-15/4/2018 15/04/2018 0,91 0,48 47,3 4 807992 1335966 09/01/2018 9/1-15/4/2018 15/04/2018 1,13 0,72 36,3 5 818703 1318650 09/01/2018 9/1-15/4/2018 15/04/2018 1,65 1,61 2,4 6 817557 1317459 09/01/2018 9/1-15/4/2018 15/04/2018 1,42 1,42 0,0 7 818822 1318792 09/01/2018 9/1-15/4/2018 15/04/2018 0,87 0,78 10,3 8 819026 1318676 09/01/2018 9/1-15/4/2018 15/04/2018 1,22 1,07 12,3 9 819279 1318134 09/01/2018 9/1-15/4/2018 15/04/2018 1,18 0,97 17,8 10 811556 1332407 09/01/2018 9/1-15/4/2018 15/04/2018 0,65 0,63 3,1 11 811603 1335998 09/01/2018 9/1-15/4/2018 15/04/2018 1,50 1,25 16,7 12 811923 1336113 09/01/2018 9/1-15/4/2018 15/04/2018 0,78 0,74 5,1 13 812751 1336222 09/01/2018 9/1-15/4/2018 15/04/2018 3,53 2,37 32,9 14 791429 1349179 09/01/2018 9/1-15/4/2018 15/04/2018 1,14 0,88 22,8 15 812622 1324797 09/01/2018 9/1-15/4/2018 15/04/2018 0,81 0,81 0,0 16 818589 1316399 09/01/2018 9/1-15/4/2018 15/04/2018 0,72 NA 17 799468 1343016 09/01/2018 9/1-15/4/2018 15/04/2018 0,91 NA 18 811341 1332401 09/01/2018 9/1-15/4/2018 15/04/2018 2,22 1,99 10,4 19 811796 1335899 09/01/2018 9/1-15/4/2018 15/04/2018 2,08 1,75 15,9 20 818985 1317498 09/01/2018 9/1-15/4/2018 15/04/2018 0,72 0,71 1,4 Tỷ lệ sai khác trung bình về diện tích (%) 14,7 Ghi chú: NA – Không phát hiện Số liệu được tổng hợp ở bảng 5 đã cho thấy: trong số 20 mẫu kiểm chứng có tổng 16 vùng mất rừng đã được phát hiện trên ảnh vệ tinh (chiếm 80,0%) và 4 vùng mất rừng ảnh vệ tinh không phát hiện được (chiếm 20,0%). Độ chính xác về diện tích vùng rừng bị mất được phát hiện từ ảnh Landsat 8 là 85,3% (tỷ lệ sai khác về diện tích là 14,7%). 3.3.2. Độ chính xác phát hiện sớm suy thoái rừng Chúng tôi đã xác định các vùng suy thoái rừng trên ảnh Landsat 8 SR thông qua chỉ số Quản lý Tài nguyên rừng & Môi trường 114 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 5 - 2019 KB với thời điểm T1 (thời điểm rừng chưa bị tác động) là ngày 09 tháng 01 năm 2018 và thời điểm T2 (thời điểm để phát hiện sớm rừng bị suy thoái) là ngày 15 tháng 04 năm 2018. Nhóm tác giả lựa chọn 30 mẫu rừng bị suy thoái trong khoảng thời gian từ 01/01/2018 đến 15/04/2018 để kiểm chứng với kết quả phát hiện sớm suy thoái rừng từ ảnh Landsat 8 SR. Bảng 6. Đánh giá độ chính xác phương pháp phát hiện sớm suy thoái rừng với dữ liệu 30 mẫu suy thoái rừng ở tỉnh Đắk Nông năm 2018 TT X Y Thời điểm trước khi bị tác động Thời điểm bị tác động Thời điểm phát hiện suy thoái rừng bằng ảnh Diện tích kiểm chứng (ha) Diện tích phát hiện trên ảnh (ha) Tỷ lệ sai khác về diện tích (%) 1 807792 1335100 09/01/2018 9/1-15/4/2018 15/04/2018 1,05 0,58 44,8 2 805446 1336737 09/01/2018 9/1-15/4/2018 15/04/2018 0,85 NA 3 805371 1336679 09/01/2018 9/1-15/4/2018 15/04/2018 0,96 NA 4 805551 1336775 09/01/2018 9/1-15/4/2018 15/04/2018 0,80 NA 5 807867 1328256 09/01/2018 9/1-15/4/2018 15/04/2018 0,90 0,55 38,9 6 807325 1334641 09/01/2018 9/1-15/4/2018 15/04/2018 1,36 0,70 48,5 7 807466 1334868 09/01/2018 9/1-15/4/2018 15/04/2018 0,64 NA 8 817447 1318067 09/01/2018 9/1-15/4/2018 15/04/2018 0,72 0,62 13,9 9 817178 1318409 09/01/2018 9/1-15/4/2018 15/04/2018 0,54 0,50 7,4 10 795627 1337887 09/01/2018 9/1-15/4/2018 15/04/2018 1,20 0,63 47,5 11 795361 1337088 09/01/2018 9/1-15/4/2018 15/04/2018 0,73 0,50 31,5 12 797434 1343058 09/01/2018 9/1-15/4/2018 15/04/2018 0,85 0,67 21,2 13 797351 1343004 09/01/2018 9/1-15/4/2018 15/04/2018 0,99 0,67 32,3 14 799010 1342661 09/01/2018 9/1-15/4/2018 15/04/2018 0,55 NA 15 797370 1341932 09/01/2018 9/1-15/4/2018 15/04/2018 0,79 NA 16 797567 1341679 09/01/2018 9/1-15/4/2018 15/04/2018 12,97 3,71 71,4 17 793844 1335990 09/01/2018 9/1-15/4/2018 15/04/2018 1,81 1,43 21,0 18 794396 1336311 09/01/2018 9/1-15/4/2018 15/04/2018 1,20 0,92 23,3 19 796691 1337855 09/01/2018 9/1-15/4/2018 15/04/2018 1,23 0,71 42,3 20 796358 1337721 09/01/2018 9/1-15/4/2018 15/04/2018 0,71 0,41 42,3 21 752038 1332756 09/01/2018 9/1-15/4/2018 15/04/2018 1,04 1,00 3,8 22 752095 1332757 09/01/2018 9/1-15/4/2018 15/04/2018 0,73 0,73 0,0 23 818014 1316138 09/01/2018 9/1-15/4/2018 15/04/2018 0,69 0,57 17,4 24 818078 1316145 09/01/2018 9/1-15/4/2018 15/04/2018 0,86 0,84 2,3 25 818067 1317508 09/01/2018 9/1-15/4/2018 15/04/2018 0,76 0,68 10,5 26 818416 1316649 09/01/2018 9/1-15/4/2018 15/04/2018 0,65 NA 27 818218 1316277 09/01/2018 9/1-15/4/2018 15/04/2018 1,63 0,70 57,1 28 817987 1317446 09/01/2018 9/1-15/4/2018 15/04/2018 0,57 0,50 12,3 29 818117 1316948 09/01/2018 9/1-15/4/2018 15/04/2018 0,67 NA 30 818101 1316724 09/01/2018 9/1-15/4/2018 15/04/2018 0,64 NA Tỷ lệ sai khác trung bình về diện tích (%) 28,0 Ghi chú: NA – Không phát hiện Số liệu được tổng hợp ở bảng 6 đã cho thấy: trong số 30 mẫu suy thoái rừng kiểm chứng có 21 vùng suy thoái rừng đã được phát hiện trên ảnh vệ tinh (chiếm 70,0%) và 9 vùng suy thoái Quản lý Tài nguyên rừng & Môi trường TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 5 - 2019 115 rừng ảnh vệ tinh không phát hiện được (chiếm 30,0%). Độ chính xác về diện tích vùng rừng bị suy thoái được phát hiện từ ảnh Landsat 8 là 72,0% (tỷ lệ sai khác về diện tích là 28%). 3.4. Thảo luận Trong thực tiễn quản lý bảo vệ rừng ở nước ta, các vụ vi phạm về xâm hại rừng không phải trường hợp nào cũng được phát hiện ngay, dẫn đến diện tích rừng bị xâm hại có nguy cơ bị mở rộng thêm mà không có sự can thiệp kịp thời của các nhà quản lý liên quan. Từ đó cho thấy, rất cần giải pháp để hỗ trợ cán bộ quản lý bảo vệ rừng trong việc xác định sớm nhất thời điểm phá rừng và diện tích rừng bị phá để có giải pháp ngăn chặn kịp thời. Kết quả của nghiên cứu về hiện trạng ảnh Landsat 8 tại tỉnh Đắk Nông đã cho thấy, ảnh Landsat 8 đáp ứng được việc phát hiện sớm mất rừng, suy thoái rừng tại khu vực nghiên cứu vào các tháng mùa khô (tháng 1, 2, 3 và 4). Đây là các tháng có lượng mưa trung bình dưới 100 mm/tháng. Trong khi đó, lượng mưa của các tháng còn lại từ 200 đến 600 mm/tháng (Theo Niên giám thống kê tỉnh Đắk Nông năm 2017). Mặt khác, theo số liệu theo dõi các vụ vi phạm liên quan đến mất rừng, suy thoái rừng trên địa bàn tỉnh Đắk Nông giai đoạn 2016 – 2018 chúng tôi thấy rằng: các vụ vi phạm về phá rừng tập trung vào các tháng mùa khô trong năm. Điều này cho thấy, mặc dù ảnh Landsat 8 không đáp ứng được phát hiện sớm mất rừng, suy thoái rừng cho cả 12 tháng trong năm nhưng đối với các tháng mùa khô (thời điểm tập trung nhiều các vụ vi phạm) thì ảnh Landsat 8 có thể đã đáp ứng được. Do đó, việc áp dụng ảnh Landsat 8 để phát hiện sớm mất rừng, suy thoái rừng tại tỉnh Đắk Nông là có ý nghĩa thực tiễn. Nghiên cứu đã xác định được tỷ lệ thay đổi chỉ số về NDVI (KB%) để phát hiện khu rừng không thay đổi, mất rừng và suy thoái rừng tại khu vực nghiên cứu với các giá trị lần lượt là: 4,5 – 20,1; 20,1 – 52,5 và 52,5 – 70%. Trong nghiên cứu này, chỉ số KB dao động từ giá trị nhỏ nhất (KBMin = 4,5%) đến giá trị lớn nhất (KBMax = 70%). Về mặt lý thuyết, rừng không thay đổi tuyệt đối đồng nghĩa với việc giá trị NDVI tại thời điểm T1 và T2 bằng nhau nên giá trị KBMin bằng 0% nhưng trong thực tế các trạng thái rừng thay đổi theo thời gian. Nên rừng không thay đổi ở đây được hiểu là rừng không bị tác động hoặc có bị tác động nhưng không đáng kể. Đối với giá trị KBMax, theo lý thuyết giá trị NDVI lớn nhất bằng 1 (đây là khu vực thực vật có mật độ cao nhất), khi rừng chuyển sang các trạng thái khác thì giá trị NDVI giảm xuống. Trường hợp ảnh Landsat 8 bị mây thì chỉ số NDVI bằng 0 (Nguyễn Đăng Vỹ, 2018), lúc này chỉ số KB bằng 100%. Hay trường hợp khác, theo Yang, Y. et al. (2019) khu vực đất trống có giá trị NDVI bằng và dưới 0,2 khi đó, chỉ số KB sẽ lớn hơn hoặc bằng 80%. Từ việc phân tích giá trị KBMin và KBMax cho thấy, tùy thuộc vào vào loại rừng hay thay đổi loại hình sử dụng đất mà giá trị KBMin và KBMax có giá trị khác nhau. Đánh giá độ chính xác của phương pháp phát hiện sớm mất rừng, suy thoái rừng với việc sử dụng ảnh Landsat 8 SR và Google Earth Engine với dữ liệu mất rừng, suy thoái rừng năm 2018 của tỉnh Đắk Nông đã cho thấy ảnh Landsat 8 có thể phát hiện sớm được mất rừng, suy thoái rừng cho các khu vực ảnh không bị mây, bóng mây với diện tích từ 0,5 ha trở lên. Đối với 4 khu vực mất rừng và 9 khu vực suy thoái rừng năm 2018 không phát hiện được theo phương pháp này là do những khu vực này có mây, bóng mây nên đã bị loại bỏ từ đầu trong quá trình phân tích ảnh và tính toán chỉ số KB hoặc có thể do dữ liệu mẫu với thời gian mất rừng, suy thoái rừng chưa sát thực. Phương pháp sử dụng chỉ số KB về tỷ lệ thay đổi chỉ số thực vật để phát hiện sớm mất rừng, suy thoái rừng có thể ứng dụng cho các kiểu rừng tương đồng của các tỉnh khác trong vùng Tây Nguyên cũng như trong toàn quốc. Kết quả của nghiên cứu có ý nghĩa thực tiễn góp phần nâng cao hiệu quả quản lý bảo vệ rừng trong đó có nhiệm vụ cập nhật diễn biến rừng một cách thường xuyên và liên tục tại các địa phương. 4. KẾT LUẬN Trong nghiên cứu này, tỷ lệ thay đổi chỉ số thực vật đã được tính toán với việc sử dụng ảnh Landsat 8 SR và Google Earth Engine để từ đó xác định ngưỡng phù hợp cho việc phát hiện sớm mất rừng, suy thoái rừng (chỉ số KB). Phương pháp xây dựng chỉ số KB thông qua sử dụng ảnh Landsat 8 SR và GEE để phát hiện sớm mất rừng, suy thoái rừng có ý nghĩa thực tiễn đối với tỉnh Đắk Nông vào các tháng 1, 2, 3 và 4 trong năm. Phương pháp này cho thấy triển vọng lớn trong việc áp dụng cho các vùng Quản lý Tài nguyên rừng & Môi trường 116 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 5 - 2019 khác có điều kiện tương tự. Thách thức lớn cho việc áp dụng phương pháp xác định sớm mất rừng, suy thoái rừng ở khu vực Tây Nguyên đó là ảnh Landsat 8 có tỷ lệ mây lớn vào thời điểm mùa mưa trong năm. Do đó, cần có thêm nghiên cứu sử dụng các tư liệu ảnh vệ tinh khác như: ảnh Sentinel 1, Sentinel 2, ảnh SPOT... để có thể mở rộng phạm vi về thời gian, không gian cũng như nâng cao độ chính xác trong việc áp dụng ảnh viễn thám cho mục đích phát hiện sớm mất rừng, suy thoái rừng ở vùng Tây Nguyên. TÀI LIỆU THAM KHẢO 1. FAO (2015). The Forest Resources Assessment (FRA): Terms and Definitions. 2. N. I. Fawzi, V. N. Husna; J. A. Helms (2018). Measuring deforestation using remote sensing and its implication for conservation in Gunung Palung National Park, West Kalimantan, Indonesia. Earth and Environmental Science 149 (2018). 3. An Vo Quang; Gabriel, J.; Nicolas D. (2019). The challenge of mapping forest cover changes: forest degradation detection by optical remote sensing time series analysis. Geophysical Research Abstracts Vol. 21, EGU2019-5005-2, 2019. 4. Mathieu, R.; Joeri, V. W.; Anton, V.; Benoit, M. (2013). Detecting forest degradation in the Congo Basin by optical remote sensing. Proc. “ESA Living Planet Symposium 2013”, Edinburgh, UK 9–13 September 2013. 5. Nanki, S.; Edzer, P.; Gilberto, C. (2018). Using Google Earth Engine to detect land cover change: Singapore as a use case. European Journal of Remote Sensing, 51:1, 486-500. 6. Nicola, P.; Marco, B. (2019). Towards a Tool for Early Detection and Estimation of Forest Cuttings by Remotely Sensed Data. Land 2019, 8, 58. 7. Trần Quang Bảo, Nguyễn Đức Lợi, Lã Nguyên Khang (2017). Ứng dụng GIS và viễn thám trong phân tích thực trạng và đánh giá diễn biến tài nguyên rừng tại huyện Vĩnh Cửu, tỉnh Đồng Nai. Tạp chí Khoa học và Công nghệ Lâm nghiệp số 6/2017. 8. Nguyễn Hải Hòa, Phùng Văn Khoa, Lê Văn Sơn, Tôn Thất Minh (2018). Ứng dụng công nghệ viễn thám xác định thay đổi diện tích rừng tại khu dự trữ sinh quyển thế giới Langbiang giai đoạn 1995 – 2017. Tạp chí Nông nghiệp và Phát triển nông thôn số 24/2018. 9. Nguyễn Đăng Vỹ (2018). Ứng dụng ảnh viễn thám đa thời gian và hệ chuyên gia để tự động hóa quá trình theo dõi biến động diện tích lớp thực phủ. Tạp chí Khoa học và Công nghệ Thủy lợi số 43/2018. 10. Planet Team (2017). Planet Application Program Interface: In Space for Life on Earth. San Francisco, CA. https://api.planet.com. 11. Yang, Y.; Wang, S.; Bai, X.; Tan, Q.; Li, Q.; Wu, L.; Tian, S.; Hu, Z.; Li, C.; Deng, Y. (2019) Factors Affecting Long-Term Trends in Global NDVI. Forests, 10, 372. USING LANDSAT 8 AND GOOGLE EARTH ENGINE FOR EARLY DETECTION OF DEFORESTATION, FOREST DEGRADATION IN THE CENTRAL HIGHLANDS REGION: A CASE STUDY IN DAK NONG PROVINCE Phung Van Khoa1, Nguyen Quoc Hieu2, Nguyen Quang Huy1 1Vietnam National University of Forestry 2Vietnam Administration of Forestry SUMMARY For the forestry sector in our country, remote sensing images have been studied and applied effectively in assessing changes in forest resources at different stages, but the application of remote sensing images in early detection of deforestation and forest degradation have been poorly studied. In this paper, we build a method for early detection of deforestation and forest degradation using Landsat 8 images and Google Earth Engine through the KB% index (index of relative value change over time of NDVI index). The results from this study have established the threshold to identify the stable forest areas (unchanged), forest degradation, deforestation with the KB values respectively: 4.5 - 20.1%; 20.1 - 52.5% and 52.5 - 70.0%. The method for early detection of deforestation and forest degradation has been tested for the area of Dak Nong province (in 2018) with the detection ratio of deforestation is 80.0% and the accuracy of detecting the lost forest area is 85.3%; the detection ratio of forest degradation is 70.0% and the accuracy of detecting degraded forest area is 72.0%. The results of this study have practical implications for early detection of deforestation and forest degradation, especially in the dry season months (January, February, March and April) in Dak Nong province. This method can be applied for early detecting deforestation and forest degradation in the Central Highlands region and in other areas with similar conditions throughout the country. Keywords: Central Highlands, deforestation, forest degradation, Google Earth Engine, Landsat 8. Ngày nhận bài : 26/8/2019 Ngày phản biện : 25/9/2019 Ngày quyết định đăng : 02/10/2019

Các file đính kèm theo tài liệu này:

  • pdf12_tv_phungvankhoa_huy_8052_2221383.pdf